AI動画の制作は、数行のプロンプトから映像が生まれる時代になったとはいえ、実際に公開できるクオリティまで持っていく道のりは決して短くない。生成そのものは数十秒で終わっても、企画、構成、素材の選別、音声、編集、レビューまでを含めると、工程の数は従来の映像制作とほとんど変わらない。むしろ、素材が際限なく生成できるぶん「選ぶ」「捨てる」という判断の比重が大きくなり、そこが新しい難しさになっている。
この記事では、テキスト・トゥ・ビデオやイメージ・トゥ・ビデオを中心にしたAI動画制作を、企画から書き出しまで一貫して進めるための実践的なワークフローとして整理する。特定のツール名に依存しない形で工程を分解し、各段階で何を決めるべきか、どこでつまずきやすいか、どう回避するかを順番に解説する。読み終えたときには、自分の案件に当てはめた手順書を一枚書き上げられる状態を目指してほしい。
AI動画制作ワークフローの全体像
AI動画制作は、大きく分けると企画、構成、生成、選別、音声、編集の6フェーズで整理できる。大切なのは、これらを一直線に進めるのではなく、前半で決めた条件が後半の品質をほぼ決めてしまうという感覚を持つことだ。配信先が縦型のショート動画なのか、横型の長尺コンテンツなのかによって、必要な解像度、1カットの長さ、字幕の設計はすべて変わる。生成を始める前にここを固めておかないと、後工程で大量の作り直しが発生する。
6つのフェーズに分けて考える
第1のフェーズは企画で、「誰に何を伝えるか」を決める。第2は構成で、「どの順番で見せるか」を絵コンテとショットリストに落とす。第3は生成で、「どのモデルにどの指示を出すか」を設計する。第4は選別で、「どのテイクを採用し、どれを捨てるか」を判断する。第5は音声で、「どう感情を乗せるか」を組み立てる。第6は編集と仕上げで、「どうテンポを作り、どう書き出すか」を詰める。
この6フェーズを毎回ゼロから議論するのは非効率なので、手順そのものをテンプレートとして固定し、判断だけに集中できる状態を作るのが望ましい。たとえばショットリストの書式、プロンプトの記述ルール、レビューの観点リストをあらかじめ用意しておけば、案件ごとのばらつきが減り、引き継ぎも容易になる。
フェーズごとに決めるべきこと
企画では視聴者、目的、配信先、尺の4点を決める。構成ではカット数と各カットの役割、生成では使用するモデルと参照素材、選別では採用基準、音声ではナレーションのトーンとBGMの温度感、編集ではカットのリズムとカラー方針を決める。これらを一枚のシートにまとめておくと、途中で迷ったときに立ち返る場所ができる。
特に重要なのは、生成を始める前に「合格ライン」を言語化しておくことだ。人物の顔が崩れていないこと、手の形状が破綻していないこと、カメラが意図しない方向に振れていないこと、背景がシーン間でつながっていること。曖昧なまま進めると、選別の段階で全員が違う基準で判断し、議論が長期化する。
フェーズ1：目的と配信先から要件を定義する
最初にやるべきは、映像そのものではなく要件の定義だ。ここを飛ばして生成に入ると、後戻りが非常に高くつく。要件定義では、目的、視聴者、配信先、尺、公開スケジュール、予算の上限を書き出す。特に配信先は、アスペクト比や解像度、音声の扱い、字幕の有無を左右するため最優先で確定させる。
尺・アスペクト比・解像度の決め方
ショート動画であれば9対16の縦型、情報量の多い解説動画であれば16対9の横型、SNSのタイムライン表示であれば1対1の正方形も選択肢になる。解像度は1080pを基本線にし、大きな画面での上映や商用利用が想定される場合のみ4Kを検討する。生成モデルによっては長辺の上限が決まっていることが多く、後から引き伸ばすとディテールが失われるため、最初から最終形に近い設定で生成するのが安全だ。
尺の設計も同様に重要である。1カットあたりの生成可能な秒数には上限があることが多く、長い尺を狙う場合は複数カットを編集でつなぐ前提で構成を組む。10秒の素材を6本つないで60秒にするのか、5秒を12本つないで60秒にするのかで、必要な生成回数と作業時間は大きく変わる。
合格ラインを先に決める
合格ラインは、シーンごとに具体的な言葉で書き出す。「人物の顔が正面を向いていること」「歩行時に足が交差していないこと」「背景の窓の位置が前カットと一致していること」など、確認可能な粒度まで分解するのがコツだ。この作業を省略すると、選別の段階で「なんとなく違う」という感想だけが並び、意思決定が止まる。
あわせて、許容できる失敗の種類も決めておく。多少のノイズは許容するが、顔の破綻は許容しない、といった優先順位を共有しておくと、短時間で採否を判断できるようになる。
フェーズ2：絵コンテとショットリストを作る
構成のフェーズでは、伝えたい内容をシーンに分解し、各シーンをさらにカットに分ける。このときに作るのがショットリストだ。一般的な映像制作と同じように、カット番号、内容、尺、カメラの動き、登場する人物や小道具、必要な参照素材を列として持つ表形式にすると扱いやすい。
ショット分解の粒度
粒度は迷いやすいポイントだが、「生成1回で作れる単位」を目安にするとよい。逆に言えば、生成モデルが苦手とする複雑な動きは、複数のカットに分割して編集でつなぐ。たとえば人物が歩いて振り返るシーンは、歩行のカットと振り返りのカットに分けたほうが破綻が少ない。分割は敗北ではなく、品質を守るための設計判断である。
また、情報を伝えるカットと感情を伝えるカットを区別しておくと、編集時にリズムを組み立てやすい。説明のカットが続くと視聴者は疲れるため、間に間奏的なカットやディテールのカットを挟む。
生成モデルに渡す情報へ変換する
ショットリストができたら、各カットを生成モデルへの指示に変換する。ここでは被写体、動作、環境、光、カメラ、スタイルの6要素を順に記述すると、意図が伝わりやすい。すべてを長文で書く必要はなく、要素ごとに短い句を並べるほうが安定する場合も多い。
加えて、参照画像を使うかどうかをカット単位で決めておく。参照画像を使えば人物や服装の一貫性は上がるが、構図の自由度は下がる。シリーズ全体で同じ人物を登場させる場合は、最初に基準となる画像を数パターン作り、それを全カットの共通参照として使い回すのが定石だ。
フェーズ3：モデルとツールの選び方
生成モデルは日々入れ替わり、単一の正解は存在しない。重要なのは、モデルを「性能の順位」で選ぶのではなく、「今回のタスクとの相性」で選ぶという考え方だ。得意分野が異なる複数のモデルを、カットの性質に応じて使い分けるのが現実的である。
テキスト・トゥ・ビデオとイメージ・トゥ・ビデオの使い分け
テキスト・トゥ・ビデオは、まだ見ぬ世界を広げるのに向いている。抽象的な情景、空想の風景、説明用の概念映像など、参照素材が存在しない題材で力を発揮する。一方、特定の人物、特定の商品、特定のロゴなど、見た目を正確に保つ必要がある場合はイメージ・トゥ・ビデオが圧倒的に有利だ。
実務では、まずイメージ・トゥ・ビデオで主要カットを固め、つなぎのカットや情景カットをテキスト・トゥ・ビデオで補う流れが組みやすい。動画から動画への変換や、既存映像のスタイル変換を組み合わせることで、表現の幅はさらに広がる。
モデルを比較するときの評価軸
モデルの比較は、主観的な好みではなく評価軸を決めて行う。特に重要なのは、一貫性、動きの自然さ、テキスト反映度、生成速度、解像度の上限、そしてコスト効率だ。次の表は、比較のときに見るべき観点を整理したものである。
| 評価軸 | 確認する内容 | 失敗したときの症状 |
|---|---|---|
| 一貫性 | 同一人物・同一背景を維持できるか | カットごとに顔や服装が変わる |
| 動きの自然さ | 歩行、手の動き、髪の揺れが破綻しないか | 手足が増える、関節が逆に曲がる |
| 指示反映度 | 構図やカメラ指示に従うか | 指定と違うアングルになる |
| 解像度 | 最終用途に足る精細さか | 拡大するとディテールが崩れる |
| 速度 | 反復試行が現実的な時間で回るか | テストが回らず改善できない |
この表を案件ごとに埋めていくと、自分の用途に合うモデルの組み合わせが自然に見えてくる。短いテストを何度も回し、その結果を記録に残すことが最も確実な選定方法である。
フェーズ4：プロンプト設計とスタイルの固定
プロンプト設計は、AI動画制作のなかで最も再現性が問われる工程だ。重要なのは、一度うまくいった表現をそのまま資産として残すことである。うまくいったプロンプトはテキストファイルに保存し、要素ごとに分解して再利用できる形にしておく。
一貫性を保つ仕組み
一貫性を保つには、三つの仕組みを併用する。第一に参照画像。第二に固定した記述、たとえば人物の特徴や服装を毎回同じ言葉で書く。第三に乱数シードの固定だ。シードを固定すれば、同じ指示から同じ結果が得られやすくなり、変更した要素の影響だけを観察できる。
シードを固定したうえで、背景だけを変える、照明だけを変える、といった一要素ずつの実験を繰り返すと、因果関係が把握しやすくなる。逆に複数要素を同時に変えると、何が効いたのか分からなくなり、学習が蓄積しない。
カメラワークとモーションの指示
カメラワークは、映像の印象を大きく左右する要素だ。固定、パン、ティルト、ドリー、ズーム、オービットといった基本の動きを語彙として持っておき、カットごとに一つだけ指定するのが安定の秘訣である。複数の動きを同時に指示すると、モデルは往々にして破綻する。
モーションについても同様で、被写体の動きは一つに絞る。「歩きながら話す」よりも「歩く」だけを指定し、会話は別カットにするほうが破綻が少ない。動きの速度や方向を具体的に書くことも有効で、「ゆっくりと右へ」といった表現は意図が伝わりやすい。
フェーズ5：生成・選別・再生成のループ
生成は一度で決まるものではない。プロの現場では、採用率は決して高くなく、多数の候補から選ぶのが前提になっている。この前提を受け入れ、無駄に見える試行を工程として組み込むことが、結果的に最短距離になる。
歩留まりを前提にしたバッチ設計
カットごとに候補数を決めておくと計画が立てやすい。たとえば主要カットは8本、つなぎのカットは4本、背景のみのカットは2本、というように重要度に応じて候補数を変える。すべてのカットに同じ工数をかけるのは非効率であり、視聴者の目が長く留まるカットに資源を集中させる。
生成した素材は、カット番号と通し番号をファイル名に含めて保存する。採用、保留、却下の三段階でタグ付けし、却下理由を一言添えておくと、後から同じ失敗を繰り返しにくくなる。
失敗パターンの分類と対処
失敗は大きく四つに分類できる。形状の破綻、動きの不自然さ、指示の無視、そしてスタイルのずれである。形状の破綻には参照画像の追加や解像度の調整が効く。動きの不自然さには動きを単純化するか、カットを分割する。指示の無視には記述の順序を変え、重要語を前に出す。スタイルのずれには参照画像と固定記述の見直しを行う。
重要なのは、同じ失敗に対して毎回同じ対処を選べるようにしておくことだ。対処法を一覧化しておけば、作業者が変わっても品質が安定する。
フェーズ6：音声・編集・仕上げ
映像が揃ったら、音の工程に入る。AI動画は映像だけでは感情が乗りにくく、音声の設計が最終的な印象の大半を決めると言ってもよい。ここではナレーション、環境音、効果音、BGMの四層を意識して組み立てる。
ナレーションとリップシンク
ナレーションは、まず文章を音読可能な長さに整えることから始める。一文を短くし、息継ぎの位置を決め、強調する語を指定する。リップシンクを使う場合は、口の動きと音声の同期が視聴者の違和感に直結するため、顔がはっきり映るカットに限定して使うのが安全だ。
話者の感情は、声の高さ、速さ、間の取り方で作る。同じ原稿でも、間を0.3秒伸ばすだけで印象は変わる。生成した音声は必ず複数候補を比較し、不自然な抑揚がないか確認する。
カット設計とテンポ
編集では、まず粗くつないで全体の流れを確認し、その後で細部のテンポを詰める。冒頭の数秒で視聴者は見続けるかどうかを決めるため、最初のカットには最も強い画を置く。中盤は説明のカットと感情のカットを交互に配置し、単調さを避ける。
カットの長さは、情報量と動きの量で決める。動きの多いカットは短く、静的なカットは長めにする。同じ長さのカットを並べると機械的に見えるため、意図的に強弱をつける。
色調整・アップスケール・書き出し
最後に色調整を行う。カットごとに色温度やコントラストがばらついている場合は、全体を統一する方向で寄せる。AI生成映像は彩度が高くなりがちなので、やや抑えめに調整すると自然に見える。必要に応じてアップスケール処理を行い、細部の輪郭を整える。
書き出し設定は配信先の仕様に合わせる。ビットレートを上げすぎても配信側で再圧縮されるため、過剰な設定は意味が薄い。音声は映像と同時に確認し、ラウドネスのばらつきをチェックする。
チームで回すための運用設計
一人で作る場合と、複数人で回す場合では、必要な仕組みがまったく異なる。チーム制作では、判断基準の共有と素材の管理が品質を左右する。属人的な勘に頼ると、人数が増えるほど品質が下がるという逆転現象が起きる。
レビュー基準のチェックリスト
レビューは感想を述べ合う場ではなく、チェックリストを埋める作業として設計する。確認項目は、人物の同一性、手や指の形状、背景の連続性、カメラの安定、色の統一、音声の同期、字幕の誤り、そして尺の整合性である。各項目を合格か不合格かで判定し、不合格の場合には対処方針まで書く。
レビューは二段階に分けると効率的だ。第一段階では技術的な破綻だけを見て、表現の好みには触れない。第二段階で構成や演出の議論を行う。これを混ぜると、破綻の指摘と好みの主張が混ざり、議論が収束しない。
素材管理とバージョン管理
素材はカット番号、シーン番号、バージョン番号を含む命名規則で管理する。採用素材と却下素材は明確に分け、却下素材も削除せずに残しておく。後から別のカットで再利用できることが多いためだ。
プロジェクト全体のバージョン管理も重要である。大きな変更の前には必ず保存し、変更内容を一行で記録する。AI動画制作は試行錯誤の連続なので、戻れる地点を増やしておくことが最大の保険になる。
よくある失敗と回避策
カットごとに人物の見た目が変わる
最も多い相談がこれである。原因は参照素材の不在か、記述の揺れにある。対策は、基準となる画像を先に確定し、全カットで同じ参照を使うこと。人物の特徴を記述する言葉をテンプレート化し、毎回同じ順序で書くことも効果的だ。
動きが不自然で採用できない
手足の破綻や不自然な加速は、指示が複雑すぎることが原因になっていることが多い。動作を一つに絞り、カットを分割し、速度を明示する。それでも改善しない場合は、その動作を映さない構図に変更するという判断も有効だ。
生成に時間がかかりすぎて進行しない
テスト段階では解像度を下げ、尺を短くし、候補数を絞る。方向性が固まってから本番品質で生成する。最初から最終品質で試行すると、時間も費用も消費が激しくなる。
音と映像の印象がかみ合わない
映像の温度感に対して音声が冷たすぎる、あるいは明るすぎるというケースである。BGMの楽器構成とテンポを見直し、ナレーションの速さを調整する。音を先に作り、それに合わせてカットを選び直すという逆順のアプローチも効果がある。
完成はしたが反応が伸びない
冒頭の数秒で魅力が伝わっていない可能性が高い。最初のカットを最も強い画に差し替え、字幕で結論を先に提示する。尺が長すぎる場合は、情報を削るのではなく、カットの長さを詰めることでテンポを上げる。
FAQ
AI動画制作にはどのくらいの時間がかかるのか
尺や品質によって大きく変わるが、30秒から60秒の映像であれば、企画から書き出しまでを数日から二週間程度で見積もるのが現実的である。重要なのは、生成の待ち時間よりも選別と修正の時間のほうが長くなりやすいという点だ。工程の前半で要件を固めるほど、総時間は短くなる。
どのモデルを選べばよいのか
単一の正解はなく、用途によって変わる。人物の一貫性が重要な案件では参照画像を扱えるモデル、情景の広がりを重視する案件ではテキストからの生成が得意なモデルというように、カット単位で使い分けるのが現実的だ。短いテストを複数回まわし、結果を記録して判断することを勧める。
一貫性を保つ最も効果的な方法は何か
基準となる参照画像を一つ決め、全カットで共通して使うことである。加えて、人物や服装の記述をテンプレート化し、乱数シードを固定する。この三つを組み合わせることで、ばらつきは大きく減る。
生成した素材のうち何割を採用できればよいのか
初期段階では採用率が低くても問題ない。件数を重ねるうちに、どの指示が効くかの勘所がつかめ、自然と採用率は上がる。数値を目標にするより、失敗の記録を残して再発を防ぐほうが効果的である。
音声は映像の後につけるべきか、先につけるべきか
短い尺や説明型の動画では、ナレーションを先に作り、それに合わせてカットを組むほうが構成が崩れにくい。逆に情景重視の映像では、映像を先に作り、後から音楽で感情を補う流れが向いている。案件の性質で選ぶとよい。
外注する場合と内製する場合の判断基準は何か
反復して作る必要があるかどうかで判断する。一度きりの案件で、社内に知見がない場合は外注が合理的だ。継続的に配信する場合は、要件定義とレビュー基準、プロンプトの資産を内製で持ち、生成や編集の一部だけを外注する形が、品質と費用のバランスに優れる。
失敗を減らすために最初に整えるべきものは何か
ショットリストの書式とレビューのチェックリストである。この二つを整えるだけで、手戻りの回数は目に見えて減る。ツールの選定よりも先に、判断の基準を整えることが priorit されるべきである。
以上のように、AI動画制作の成否は、生成モデルの当たり外れよりも、工程の設計と判断基準の整備によって決まる部分が大きい。企画で要件を固め、構成で分解し、生成で試し、選別で絞り、音声と編集で仕上げる。この一連の流れを自分たちの手順書として持っているチームは、ツールが入れ替わっても安定した成果を出し続けられる。
